XSLaren edukia

Datu Masiboen Prozesamendurako Azpiegiturak

Ikastegia
Informatika Fakultatea
Titulazioa
Adimen Artifiziala Gradua
Ikasturtea
2022/23
Maila
3
Kreditu kopurua
6
Hizkuntzak
Gaztelania
Euskara

IrakaskuntzaToggle Navigation

Orduen banaketa irakaskuntza motaren arabera
Irakaskuntza motaIkasgelako eskola-orduakIkaslearen ikasgelaz kanpoko jardueren orduak
Magistrala4060
Laborategiko p.2030

Irakaskuntza-gidaToggle Navigation

HelburuakToggle Navigation

1. Datuak masiboki prozesatzeko sistemen beharrak ezagutzea

2. Datuak masiboki prozesatzeko plataformak ezagutzea

3. Plataforma horiek ezartzeko eta hedatzeko aukerak ezagutzea

4. Zerbitzuak hedatzeko plataformak erabiltzeko trebetasunak

5. Cloud, edge sistemak erabiltzeko trebetasunak

Irakasgai-zerrendaToggle Navigation

Oharra: gaien ordena eta egituraketak aldaketak izan ditzake



1. Zerbitzuak hedatzeko plataformak:

1.1 Azpiegitura fisikoak

1.2 Azpiegitura birtualak

1.3 Hodeiko hedapenak

2. Datu masiboak prozesatzeko aplikazioen beharren azterketa. Streaming vs. batch.

3. Makrodatuak biltegiratzeko eta aztertzeko zerbitzuak

3.1 Makrodatuak prozesatzeko inguruneen deskribapena

3.2 Ingurune horiek DPZetan eta hodeian hedatzea

4. Edge, fog computing: baliabide zentralizatuen eta baliabide periferikoen arteko prozesamendu kooperatiboa

MetodologiaToggle Navigation

Ikasgaiak ikuspegi guztiz praktikoa du. Zerbitzu-plataformen eta horiek hedatzeko inguruneen deskribapenarekin batera, behar diren oinarri teorikoak emango dira, honako alderdi hauek ulertzeko: biltegiratze aukerak, konektibitate aukerak, segurtasuna, akatsekiko tolerantzia, errendimendua, etab. Premisa horren arabera, honela antolatuko dira eskolak:

4 kreditu eskola magistraletarako, horietan, hedapenerako plataformak eta inguruneak deskribatuko dira, beharrezkoak diren alderdi teorikoekin batera. PowerPoint motako aurkezpenetan eta “hands-on” demotan oinarrituko dira eskola horiek.

Laborategiko bi kreditu, ordenagailuarekin, eskola magistraletan azaldutako ezagutzak praktikan jartzeko.

Gainera, ikasleek banakako lan praktikoak egingo dituzte, saio magistraletan eta laborategiko saioetan ikasitakoaren osagarri gisa.

Ebaluazio-sistemakToggle Navigation

Ebaluatzeko modu lehenetsia ebaluazio jarraitua da eta ohiko deialdirako bakarrik balio du. Hala ere, ez dago alde handirik jarraituaren eta globalaren artean. Bi kasuetan, beharrezkoa da zenbait lan praktiko eta azken azterketa egitea.

Ikasturtean zehar 2 eta 4 lan indibidual artean egin beharko dira, irakasgaiaren % 75eko pisu metatuarekin. Azterketak % 25eko pisua du notan, eta ikastetxeak adierazitako egunean egingo da.

Ikasgaia gainditzeko, batez beste, azkeneko nota 5ekoa (10en gainean) izateaz gain, ebaluazioko zati guztietan gutxienez zatiaren nota maximoaren % 35a atera behar da.

Esan bezala, ebaluazio jarraituan lanak ikasturtean zehar egin eta entregatu beharko dira. Ebaluazio orokorrean, berriz, azterketa eguna baino astebete lehenago entregatu beharko dira.

UPV/EHUko araudiak adierazten duen bezala, nahi duten ikasleek idatziz aurkeztu beharko diote irakasleari ebaluazio jarraituari uko egiten diotela (ebaluazio orokorrera pasatuz), eta horretarako 9 asteko epea izango dute ikasturtea hasten denetik.

Ikasle batek ohiko deialdiari uko egitea erabakitzen badu, horretarako, (1) ebaluazio globalera pasa beharko da eta (2) aldaketa horren ondoren, ez du praktikarik aurkeztu beharko ez eta azterketara aurkeztu.

Nahitaez erabili beharreko materialaToggle Navigation

Ez dago nahitaez erabili beharreko materiala, baina oso gomendagarria da ikasleek beren ekipo informatikoa izatea, praktikak egin ahal izateko. Ekipoek birtualizazio-inguruneak exekutatzeko adina memoria eta prozesu-gaitasuna izan beharko ditu.

BibliografiaToggle Navigation

Oinarrizko bibliografia

Ez dago.

Gehiago sakontzeko bibliografia

Sourav Mazumder, Robin Singh Bhadoria, Ganesh Chandra Deka (editors). Distributed Computing in Big Data Analytics. Concepts, Technologies and Applications

Bahaaldine Azarmi. "Scalable Big Data Architecture: A practitioners guide to choosing relevant Big Data architecture".

Anupam Chattopadhyay, Chip Hong Chang, Hao Yu (editores). "Emerging Technology and Architecture for Big-data Analytics"

Mark Grover, Ted Malaska, Jonathan Seidman, Gwen Shapira. Hadoop Application Architectures: Designing Real-World Big Data Applications 1st Edition.

Aldizkariak

Journal of big data (Springer)
Big data research (Elsevier)
IEEE Transactions on Knowledge and Data Engineering

TaldeakToggle Navigation

16 Teoriakoa (Gaztelania - Arratsaldez)Erakutsi/izkutatu azpiorriak

Egutegia
AsteakAstelehenaAstearteaAsteazkenaOstegunaOstirala
16-30

15:30-17:00

14:00-15:30

Irakasleak

16 Laborategiko p.-1 (Gaztelania - Arratsaldez)Erakutsi/izkutatu azpiorriak

Egutegia
AsteakAstelehenaAstearteaAsteazkenaOstegunaOstirala
16-30

17:00-18:30

Irakasleak

31 Teoriakoa (Euskara - Goizez)Erakutsi/izkutatu azpiorriak

Egutegia
AsteakAstelehenaAstearteaAsteazkenaOstegunaOstirala
16-30

10:30-12:00

09:00-10:30

Irakasleak

31 Laborategiko p.-1 (Euskara - Goizez)Erakutsi/izkutatu azpiorriak

Egutegia
AsteakAstelehenaAstearteaAsteazkenaOstegunaOstirala
16-30

12:00-13:30

Irakasleak